SLOs e SLAs - ChatCLI

A plataforma AIOps do ChatCLI oferece gestão nativa de Service Level Objectives (SLOs) e Service Level Agreements (SLAs) via CRDs Kubernetes. O sistema implementa o modelo de burn rate do Google SRE para alertas inteligentes e rastreia compliance de SLAs com suporte a business hours.

SLO vs SLA: Entendendo a Diferença

Aspecto	SLO (Service Level Objective)	SLA (Service Level Agreement)
Definição	Meta interna de confiabilidade de um serviço	Contrato formal com clientes/stakeholders
Quem define	Equipe de engenharia	Negócio + engenharia + jurídico
Consequência de violação	Alerta interno, freeze de deploys, revisão	Penalidades contratuais, créditos, multas
Exemplo	”99.9% availability em 30 dias"	"P1 incidents respondidos em 5 minutos”
CRD	`ServiceLevelObjective`	`IncidentSLA`

A boa prática é definir SLOs mais rigorosos que os SLAs. Se seu SLA garante 99.9%, defina o SLO em 99.95%. Isso cria uma margem de segurança (error budget interno) que permite detectar degradações antes que o SLA seja violado.

ServiceLevelObjective CRD

O ServiceLevelObjective define uma meta de confiabilidade para um serviço, com alertas baseados em burn rate e tracking de error budget.

apiVersion: platform.chatcli.io/v1alpha1
kind: ServiceLevelObjective
metadata:
  name: api-gateway-availability
  namespace: production
spec:
  service: api-gateway
  description: "API Gateway deve manter 99.9% de availability em janela de 30 dias"

  indicator:
    type: availability
    prometheusQuery:
      goodQuery: 'sum(rate(http_requests_total{service="api-gateway",code=~"2..|3.."}[5m]))'
      totalQuery: 'sum(rate(http_requests_total{service="api-gateway"}[5m]))'

  target:
    percentage: 99.9
    window: 30d

  burnRateAlerts:
    - name: page-fast-burn
      shortWindow: 1h
      longWindow: 6h
      burnRateThreshold: 14.4
      severity: critical
      notificationPolicy: production-alerts

    - name: ticket-medium-burn
      shortWindow: 6h
      longWindow: 3d
      burnRateThreshold: 6.0
      severity: high
      notificationPolicy: production-alerts

    - name: ticket-slow-burn
      shortWindow: 24h
      longWindow: 3d
      burnRateThreshold: 3.0
      severity: medium

    - name: monitor-gradual-burn
      shortWindow: 72h
      longWindow: 30d
      burnRateThreshold: 1.0
      severity: low

  alertPolicy:
    multiWindowRequired: true
    pageOnBudgetExhausted: true
    budgetWarningThresholds: [50, 25, 10, 0]

status:
  currentValue: 99.92
  errorBudgetTotal: 0.001
  errorBudgetRemaining: 0.0008
  errorBudgetRemainingPercent: 80.0
  burnRate: 1.2
  lastCalculatedAt: "2026-03-19T14:00:00Z"
  condition: Met

Campos do Spec

Raiz

Campo	Tipo	Obrigatório	Descrição
`service`	string	Sim	Nome do serviço monitorado
`description`	string	Não	Descrição legível do SLO
`indicator`	SLOIndicator	Sim	Definição do indicador de nível de serviço (SLI)
`target`	SLOTarget	Sim	Meta e janela temporal
`burnRateAlerts`	[]BurnRateWindow	Não	Configuração de alertas multi-window
`alertPolicy`	SLOAlertPolicy	Não	Política geral de alertas

SLOIndicator

Define o que medir. O type determina a semântica e as queries Prometheus necessárias.

Campo	Tipo	Obrigatório	Descrição
`type`	string	Sim	`availability`, `latency`, `error_rate`, `throughput`
`prometheusQuery`	PrometheusQuerySpec	Sim	Queries PromQL para calcular o SLI

Tipos de indicador:

Tipo	Good Events	Total Events	Cálculo
`availability`	Requests com sucesso (2xx, 3xx)	Total de requests	good / total
`latency`	Requests abaixo do threshold de latência	Total de requests	fast / total
`error_rate`	N/A (invertido)	Requests com erro	1 - (errors / total)
`throughput`	Requests processados dentro do budget	Requests recebidos	processed / received

PrometheusQuerySpec:

Campo	Tipo	Obrigatório	Descrição
`goodQuery`	string	Sim	PromQL que retorna a taxa de eventos “bons”
`totalQuery`	string	Sim	PromQL que retorna a taxa total de eventos

Availability
Latency (P99 menor que 500ms)
Error Rate
Custom (Throughput)

indicator:
  type: availability
  prometheusQuery:
    goodQuery: 'sum(rate(http_requests_total{service="api-gateway",code=~"2..|3.."}[5m]))'
    totalQuery: 'sum(rate(http_requests_total{service="api-gateway"}[5m]))'

indicator:
  type: latency
  prometheusQuery:
    goodQuery: 'sum(rate(http_request_duration_seconds_bucket{service="api-gateway",le="0.5"}[5m]))'
    totalQuery: 'sum(rate(http_request_duration_seconds_count{service="api-gateway"}[5m]))'

indicator:
  type: error_rate
  prometheusQuery:
    goodQuery: 'sum(rate(http_requests_total{service="api-gateway",code!~"5.."}[5m]))'
    totalQuery: 'sum(rate(http_requests_total{service="api-gateway"}[5m]))'

indicator:
  type: throughput
  prometheusQuery:
    goodQuery: 'sum(rate(queue_messages_processed_total{service="worker"}[5m]))'
    totalQuery: 'sum(rate(queue_messages_received_total{service="worker"}[5m]))'

SLOTarget

Campo	Tipo	Obrigatório	Descrição
`percentage`	float64	Sim	Meta em porcentagem (ex: 99.9)
`window`	duration	Sim	Janela temporal rolling (ex: `30d`, `7d`, `24h`)

BurnRateWindow

Cada entrada define uma janela de alerta baseada em burn rate.

Campo	Tipo	Obrigatório	Descrição
`name`	string	Sim	Nome identificador do alerta
`shortWindow`	duration	Sim	Janela curta de observação
`longWindow`	duration	Sim	Janela longa de observação
`burnRateThreshold`	float64	Sim	Threshold de burn rate para disparar alerta
`severity`	string	Sim	`critical`, `high`, `medium`, `low`
`notificationPolicy`	string	Não	Nome da NotificationPolicy para routing

SLOAlertPolicy

Campo	Tipo	Padrão	Descrição
`multiWindowRequired`	bool	`true`	Requer que AMBAS as janelas (short E long) excedam o threshold
`pageOnBudgetExhausted`	bool	`true`	Envia page crítico quando error budget chega a 0%
`budgetWarningThresholds`	[]int	`[50, 25, 10, 0]`	Porcentagens de budget restante que disparam warnings

Como Funciona o Cálculo (Google SRE Model)

O sistema implementa o modelo de multi-window, multi-burn-rate alerting descrito no livro “Site Reliability Engineering” do Google.

Error Budget

O error budget é a quantidade máxima de “erro” permitida dentro da janela do SLO.

Error Budget = 1 - (target / 100)

Exemplo para SLO de 99.9%:
  Error Budget = 1 - (99.9 / 100) = 0.001 = 0.1%

Em uma janela de 30 dias, isso significa:

Downtime permitido = 30 dias x 24h x 60min x 0.001 = 43.2 minutos

SLO Target	Error Budget	Downtime/30d
99%	1.0%	7h 12min
99.5%	0.5%	3h 36min
99.9%	0.1%	43.2 min
99.95%	0.05%	21.6 min
99.99%	0.01%	4.32 min

Burn Rate

O burn rate indica a velocidade com que o error budget está sendo consumido.

Burn Rate = error_rate_in_window / error_budget

Onde:
  error_rate_in_window = 1 - (good_events / total_events) [na janela]
  error_budget = 1 - (target / 100)

Calcular error rate na janela

Usando as queries Prometheus, calcula-se a proporção de eventos bons vs total na janela especificada.

Exemplo: Na ultima 1h, houve 10.000 requests, 9.950 com sucesso.
error_rate = 1 - (9950 / 10000) = 0.005 = 0.5%

Calcular burn rate

Divide o error rate pelo error budget.

burn_rate = 0.005 / 0.001 = 5.0x

Interpretação: O budget está sendo consumido 5x mais rápido que o sustentável.
A esse ritmo, o budget de 30 dias se esgotaria em 6 dias.

Verificar multi-window

Para disparar um alerta, AMBAS as janelas (short E long) devem exceder o threshold.

Alerta "page-fast-burn" (threshold 14.4x):
  - Short window (1h): burn_rate = 16.2x  > 14.4  CHECK
  - Long window (6h):  burn_rate = 15.1x  > 14.4  CHECK
  -> ALERTA DISPARADO (ambas excedem)

Se short=16.2x mas long=12.0x:
  -> NÃO dispara (long abaixo do threshold)
  -> Indica spike temporário, não degradação sustentada

Classificar e notificar

Com base na severidade configurada, o alerta e roteado para a NotificationPolicy correspondente.

Multi-Window Alerting: Thresholds Padrão

Os thresholds padrão seguem a recomendação do Google SRE para um SLO de 30 dias:

Nome	Short Window	Long Window	Burn Rate	Severidade	Significado
`page-fast-burn`	1h	6h	14.4x	Critical	Budget se esgota em ~2 dias. Requer ação imediata.
`ticket-medium-burn`	6h	3d	6.0x	High	Budget se esgota em ~5 dias. Crie ticket urgente.
`ticket-slow-burn`	24h	3d	3.0x	Medium	Budget se esgota em ~10 dias. Investigue e planeje.
`monitor-gradual-burn`	72h	30d	1.0x	Low	Budget exatamente no ritmo sustentavel. Monitore.

A formula para calcular o threshold: burn_rate_threshold = (window_days / budget_consumption_days). Para um SLO de 30 dias onde você quer alertar quando o budget se esgotaria em 2 dias: 30 / 2.08 = 14.4x.

Exemplo Numérico Completo

Considere um SLO de 99.9% availability em 30 dias para o serviço api-gateway:

Configuração:
  Target: 99.9%
  Window: 30 dias
  Error Budget: 0.1% = 43.2 minutos de downtime

Situação atual (medido pelo Prometheus):
  Últimas 24h: 99.85% availability (0.15% error rate)
  Últimas 6h:  99.80% availability (0.20% error rate)
  Última 1h:   99.70% availability (0.30% error rate)

Cálculo de burn rate por janela:
  1h:  0.003 / 0.001 = 3.0x
  6h:  0.002 / 0.001 = 2.0x
  24h: 0.0015 / 0.001 = 1.5x

Avaliação de alertas:
  page-fast-burn (14.4x):  1h=3.0x < 14.4  -> NÃO dispara
  ticket-medium-burn (6x): 6h=2.0x < 6.0   -> NÃO dispara
  ticket-slow-burn (3x):   24h=1.5x < 3.0  -> NÃO dispara
  monitor-gradual-burn (1x): ambas > 1.0    -> DISPARA (severity: low)

Resultado: Degradação lenta detectada. Não é crítico, mas o budget está
sendo consumido 1.5x mais rápido que o sustentável. A esse ritmo, o
budget de 43.2 minutos se esgotaria em 20 dias (ao inves de 30).

Error budget restante:
  Consumido até agora: ~22 minutos (estimado)
  Restante: 43.2 - 22 = 21.2 minutos
  Porcentagem restante: 49.1%
  -> Warning threshold de 50% quase atingido

Error Budget Tracking

O status do ServiceLevelObjective e atualizado periodicamente pelo reconciler:

Campo	Tipo	Descrição
`currentValue`	float64	Valor atual do SLI (ex: 99.92%)
`errorBudgetTotal`	float64	Budget total (ex: 0.001 para 99.9%)
`errorBudgetRemaining`	float64	Budget restante
`errorBudgetRemainingPercent`	float64	Porcentagem restante do budget
`burnRate`	float64	Burn rate atual (janela mais curta)
`lastCalculatedAt`	Time	Último cálculo
`condition`	string	`Met` (dentro do SLO), `AtRisk` (budget < 25%), `Violated` (budget esgotado)

Condições do SLO: Budget Warning Thresholds: Quando configurados, o sistema envia notificações ao atingir cada threshold:

Budget Restante	Ação
50%	Notificação informativa
25%	Warning: congelar deploys não-essenciais
10%	Alerta: foco total em estabilidade
0%	Page crítico (se `pageOnBudgetExhausted: true`)

IncidentSLA CRD

O IncidentSLA define contratos de tempo de resposta e resolução por severidade, com suporte a business hours e tracking de violações.

apiVersion: platform.chatcli.io/v1alpha1
kind: IncidentSLA
metadata:
  name: production-sla
  namespace: production
spec:
  service: api-gateway
  description: "SLA de produção para o API Gateway"

  responseTimes:
    - severity: critical
      maxResponseTime: "5m"
      maxResolutionTime: "1h"
    - severity: high
      maxResponseTime: "15m"
      maxResolutionTime: "4h"
    - severity: medium
      maxResponseTime: "1h"
      maxResolutionTime: "24h"
    - severity: low
      maxResponseTime: "4h"
      maxResolutionTime: "72h"

  businessHours:
    enabled: true
    timezone: "America/Sao_Paulo"
    startHour: 9
    endHour: 18
    workDays: [1, 2, 3, 4, 5]   # Segunda a Sexta (0=Dom, 6=Sab)
    holidays:
      - date: "2026-01-01"
        name: "Ano Novo"
      - date: "2026-04-03"
        name: "Sexta-feira Santa"
      - date: "2026-12-25"
        name: "Natal"

  violationPolicy:
    notificationPolicy: sla-breach-notifications
    escalationPolicy: p0-escalation
    autoEscalateOnBreach: true

status:
  activeIncidents: 2
  totalViolations: 3
  compliancePercentage: 97.5
  violations:
    - issueName: "api-gateway-oom-kill-1771276354"
      severity: critical
      type: resolution_time
      exceededBy: "12m"
      occurredAt: "2026-03-15T14:30:00Z"
  lastCalculatedAt: "2026-03-19T14:00:00Z"

Campos do Spec

Raiz

Campo	Tipo	Obrigatório	Descrição
`service`	string	Sim	Nome do serviço coberto pelo SLA
`description`	string	Não	Descrição do SLA
`responseTimes`	[]ResponseTimeConfig	Sim	Tempos máximos por severidade
`businessHours`	BusinessHoursSpec	Não	Configuração de horário comercial
`violationPolicy`	ViolationPolicySpec	Não	Ações em caso de violação

ResponseTimeConfig

Campo	Tipo	Obrigatório	Descrição
`severity`	string	Sim	`critical`, `high`, `medium`, `low`
`maxResponseTime`	duration	Sim	Tempo máximo para primeiro acknowledgement
`maxResolutionTime`	duration	Sim	Tempo máximo para resolução completa

Response time é medido como o tempo entre a criação do Issue (estado Detected) e a primeira transição para Analyzing ou Remediating. Resolution time é medido entre Detected e Resolved.

BusinessHoursSpec

Campo	Tipo	Obrigatório	Descrição
`enabled`	bool	Sim	Ativa contagem apenas em horário comercial
`timezone`	string	Sim	Timezone IANA (ex: `America/Sao_Paulo`)
`startHour`	int	Sim	Hora de início (0-23)
`endHour`	int	Sim	Hora de fim (0-23)
`workDays`	[]int	Sim	Dias úteis (0=Domingo, 6=Sábado)
`holidays`	[]Holiday	Não	Feriados (clock parado nesses dias)

Como o Clock de Business Hours Funciona

O SLA clock conta apenas durante horário comercial. Fora do horário, o clock é pausado automaticamente.

Incidente detectado

Issue criado as 17:45 (sexta-feira). Clock inicia.

Horário comercial: 09:00-18:00 (Seg-Sex), timezone America/Sao_Paulo

Clock conta 15 minutos (sexta)

De 17:45 até 18:00 = 15 minutos de SLA clock. Clock pausa às 18:00 (fim do horário comercial).

Fim de semana: clock pausado

Sábado e domingo inteiros: clock permanece pausado. Tempo SLA acumulado: 15 minutos.

Segunda-feira: clock retoma

Clock retoma as 09:00 de segunda-feira. Se o incidente é resolvido às 10:30 de segunda:

Sexta: 15 minutos
Segunda: 1h30 = 90 minutos
Total SLA: 105 minutos (1h45)

Avaliação de compliance

Para severidade critical com maxResolutionTime: 1h:

Tempo SLA gasto: 1h45 = 105 minutos
Limite: 60 minutos
VIOLAÇÃO: excedeu por 45 minutos

Para severidade high com maxResolutionTime: 4h:

Tempo SLA gasto: 105 minutos
Limite: 240 minutos
DENTRO DO SLA

Para incidentes critical, considere desabilitar business hours (enabled: false) e usar clock 24/7. Problemas críticos em produção não devem aguardar o próximo dia útil.

ViolationPolicySpec

Campo	Tipo	Descrição
`notificationPolicy`	string	NotificationPolicy para enviar alertas de violação
`escalationPolicy`	string	EscalationPolicy para escalar violações
`autoEscalateOnBreach`	bool	Escalar automaticamente quando SLA e violado

CompliancePercentage Calculation

CompliancePercentage = ((total_incidents - violations) / total_incidents) * 100

Exemplo:
  Total de incidentes no periodo: 120
  Violações: 3
  Compliance = ((120 - 3) / 120) * 100 = 97.5%

O compliance é calculado por severity e agregado:

Severidade	Incidentes	Violações	Compliance
Critical	5	1	80.0%
High	15	2	86.7%
Medium	40	0	100.0%
Low	60	0	100.0%
Total	120	3	97.5%

Exemplos YAML Completos

SLO de 99.9% Availability com Burn Rate Alerting

apiVersion: platform.chatcli.io/v1alpha1
kind: ServiceLevelObjective
metadata:
  name: api-gateway-availability-slo
  namespace: production
spec:
  service: api-gateway
  description: "99.9% availability do API Gateway medido por taxa de sucesso HTTP"

  indicator:
    type: availability
    prometheusQuery:
      goodQuery: |
        sum(rate(http_requests_total{
          service="api-gateway",
          code=~"2..|3.."
        }[5m]))
      totalQuery: |
        sum(rate(http_requests_total{
          service="api-gateway"
        }[5m]))

  target:
    percentage: 99.9
    window: 30d

  burnRateAlerts:
    - name: page-immediate
      shortWindow: 1h
      longWindow: 6h
      burnRateThreshold: 14.4
      severity: critical
      notificationPolicy: production-alerts

    - name: ticket-urgent
      shortWindow: 6h
      longWindow: 3d
      burnRateThreshold: 6.0
      severity: high
      notificationPolicy: production-alerts

    - name: ticket-normal
      shortWindow: 24h
      longWindow: 3d
      burnRateThreshold: 3.0
      severity: medium

    - name: monitor
      shortWindow: 72h
      longWindow: 30d
      burnRateThreshold: 1.0
      severity: low

  alertPolicy:
    multiWindowRequired: true
    pageOnBudgetExhausted: true
    budgetWarningThresholds: [50, 25, 10, 0]

SLA P1=5min Response / 1h Resolution (Business Hours)

apiVersion: platform.chatcli.io/v1alpha1
kind: IncidentSLA
metadata:
  name: api-gateway-production-sla
  namespace: production
spec:
  service: api-gateway
  description: "SLA de produção conforme contrato com clientes enterprise"

  responseTimes:
    - severity: critical
      maxResponseTime: "5m"
      maxResolutionTime: "1h"
    - severity: high
      maxResponseTime: "15m"
      maxResolutionTime: "4h"
    - severity: medium
      maxResponseTime: "2h"
      maxResolutionTime: "24h"
    - severity: low
      maxResponseTime: "8h"
      maxResolutionTime: "72h"

  businessHours:
    enabled: true
    timezone: "America/Sao_Paulo"
    startHour: 9
    endHour: 18
    workDays: [1, 2, 3, 4, 5]
    holidays:
      - date: "2026-01-01"
        name: "Confraternização Universal"
      - date: "2026-02-16"
        name: "Carnaval"
      - date: "2026-02-17"
        name: "Carnaval"
      - date: "2026-04-03"
        name: "Sexta-feira Santa"
      - date: "2026-04-21"
        name: "Tiradentes"
      - date: "2026-05-01"
        name: "Dia do Trabalho"
      - date: "2026-09-07"
        name: "Independência"
      - date: "2026-10-12"
        name: "Nossa Senhora Aparecida"
      - date: "2026-11-02"
        name: "Finados"
      - date: "2026-11-15"
        name: "Proclamação da República"
      - date: "2026-12-25"
        name: "Natal"

  violationPolicy:
    notificationPolicy: sla-breach-notifications
    escalationPolicy: p0-escalation
    autoEscalateOnBreach: true

Para severidade critical, mesmo com business hours habilitado, considere criar uma regra separada com businessHours.enabled: false. Problemas P1 geralmente exigem resposta 24/7.

SLO com PrometheusQuery Custom (Latency P99)

apiVersion: platform.chatcli.io/v1alpha1
kind: ServiceLevelObjective
metadata:
  name: payment-service-latency-slo
  namespace: payments
spec:
  service: payment-service
  description: "99.5% dos requests do Payment Service devem completar em menos de 500ms"

  indicator:
    type: latency
    prometheusQuery:
      goodQuery: |
        sum(rate(http_request_duration_seconds_bucket{
          service="payment-service",
          le="0.5"
        }[5m]))
      totalQuery: |
        sum(rate(http_request_duration_seconds_count{
          service="payment-service"
        }[5m]))

  target:
    percentage: 99.5
    window: 7d

  burnRateAlerts:
    - name: page-latency-spike
      shortWindow: 30m
      longWindow: 3h
      burnRateThreshold: 14.4
      severity: critical
      notificationPolicy: payments-alerts

    - name: ticket-latency-degradation
      shortWindow: 3h
      longWindow: 1d
      burnRateThreshold: 6.0
      severity: high

    - name: monitor-latency-trend
      shortWindow: 12h
      longWindow: 7d
      burnRateThreshold: 1.0
      severity: low

  alertPolicy:
    multiWindowRequired: true
    pageOnBudgetExhausted: true
    budgetWarningThresholds: [25, 10, 0]

Grafana Dashboards

A plataforma AIOps disponibiliza 4 dashboards Grafana pré-configurados para visualização de SLOs e SLAs:

SLO Overview

Painel unificado com todos os SLOs, valores atuais, error budget restante e burn rate. Inclui heatmap de burn rate por serviço.

Error Budget Burn-Down

Gráfico burn-down do error budget ao longo do tempo. Mostra tendência e projeção de esgotamento. Linhas de referência para cada threshold de warning.

SLA Compliance Report

Relatório de compliance por severidade e período. Tabela com cada incidente, tempos de resposta/resolução e status de compliance. Exportável para PDF.

Incident Timeline

Timeline de incidentes com detecção, análise, remediação e resolução. Correlação visual com SLO burn rate e SLA clock.

Importando os dashboards:

# Os dashboards estão disponíveis como ConfigMaps
kubectl apply -f operator/config/grafana/dashboards/

# Ou importe via API do Grafana
for f in operator/config/grafana/dashboards/*.json; do
  curl -X POST -H "Content-Type: application/json" \
    -H "Authorization: Bearer $GRAFANA_API_KEY" \
    -d @"$f" \
    "https://grafana.company.com/api/dashboards/db"
done

Prometheus Metrics

O sistema de SLOs e SLAs expõe métricas detalhadas:

Métricas de SLO

Métrica	Tipo	Labels	Descrição
`chatcli_slo_current_value`	Gauge	`slo`, `service`, `namespace`, `indicator_type`	Valor atual do SLI (ex: 99.92)
`chatcli_slo_target_value`	Gauge	`slo`, `service`	Meta configurada (ex: 99.9)
`chatcli_slo_error_budget_total`	Gauge	`slo`, `service`	Error budget total (ex: 0.001)
`chatcli_slo_error_budget_remaining`	Gauge	`slo`, `service`, `namespace`	Error budget restante
`chatcli_slo_error_budget_remaining_percent`	Gauge	`slo`, `service`	Porcentagem restante do budget
`chatcli_slo_burn_rate`	Gauge	`slo`, `service`, `window`	Burn rate por janela
`chatcli_slo_alerts_fired_total`	Counter	`slo`, `service`, `severity`, `alert_name`	Total de alertas de burn rate disparados
`chatcli_slo_condition`	Gauge	`slo`, `service`, `condition`	Estado atual (1=ativo): `Met`, `AtRisk`, `Violated`

Métricas de SLA

Métrica	Tipo	Labels	Descrição
`chatcli_sla_violations_total`	Counter	`sla`, `service`, `severity`, `violation_type`	Total de violações de SLA
`chatcli_sla_compliance_percentage`	Gauge	`sla`, `service`, `severity`	Porcentagem de compliance atual
`chatcli_sla_response_time_seconds`	Histogram	`sla`, `service`, `severity`	Distribuição de tempos de resposta
`chatcli_sla_resolution_time_seconds`	Histogram	`sla`, `service`, `severity`	Distribuição de tempos de resolução
`chatcli_sla_active_incidents`	Gauge	`sla`, `service`	Incidentes ativos no momento
`chatcli_sla_business_hours_active`	Gauge	`sla`, `service`	1 se dentro do horário comercial, 0 se fora

Alertas Prometheus recomendados:

groups:
  - name: chatcli-slo-sla
    rules:
      - alert: SLOBudgetExhausted
        expr: chatcli_slo_error_budget_remaining_percent <= 0
        for: 1m
        labels:
          severity: critical
        annotations:
          summary: "Error budget esgotado para SLO {{ $labels.slo }}"
          description: "O serviço {{ $labels.service }} esgotou o error budget. Nenhum downtime adicional é permitido."

      - alert: SLOBudgetLow
        expr: chatcli_slo_error_budget_remaining_percent <= 10 and chatcli_slo_error_budget_remaining_percent > 0
        for: 5m
        labels:
          severity: warning
        annotations:
          summary: "Error budget baixo ({{ $value }}%) para SLO {{ $labels.slo }}"

      - alert: SLAComplianceBelow95
        expr: chatcli_sla_compliance_percentage < 95
        for: 1m
        labels:
          severity: critical
        annotations:
          summary: "SLA compliance abaixo de 95% para {{ $labels.service }}"
          description: "Compliance atual: {{ $value }}%. Revise incidentes recentes e tome ações corretivas."

      - alert: SLAResponseTimeExceeded
        expr: histogram_quantile(0.95, rate(chatcli_sla_response_time_seconds_bucket[1h])) > 300
        for: 5m
        labels:
          severity: warning
        annotations:
          summary: "P95 do tempo de resposta SLA excede 5 minutos"

Próximo Passo

Notificações e Escalação

Sistema de notificações multi-canal e escalação automática

Workflow de Aprovação

Controle de mudanças com approval policies e blast radius

AIOps Platform

Deep-dive na arquitetura AIOps

K8s Operator

Configuração e CRDs do operator

​SLO vs SLA: Entendendo a Diferença

​ServiceLevelObjective CRD

​Campos do Spec

​Raiz

​SLOIndicator

​SLOTarget

​BurnRateWindow

​SLOAlertPolicy

​Como Funciona o Cálculo (Google SRE Model)

​Error Budget

​Burn Rate

​Multi-Window Alerting: Thresholds Padrão

​Exemplo Numérico Completo

​Error Budget Tracking

​IncidentSLA CRD

​Campos do Spec

​Raiz

​ResponseTimeConfig

​BusinessHoursSpec

​Como o Clock de Business Hours Funciona

​ViolationPolicySpec

​CompliancePercentage Calculation

​Exemplos YAML Completos

​SLO de 99.9% Availability com Burn Rate Alerting

​SLA P1=5min Response / 1h Resolution (Business Hours)

​SLO com PrometheusQuery Custom (Latency P99)

​Grafana Dashboards

SLO Overview

Error Budget Burn-Down

SLA Compliance Report

Incident Timeline

​Prometheus Metrics

​Métricas de SLO

​Métricas de SLA

​Próximo Passo

Notificações e Escalação

Workflow de Aprovação

AIOps Platform

K8s Operator

SLO vs SLA: Entendendo a Diferença

ServiceLevelObjective CRD

Campos do Spec

Raiz

SLOIndicator

SLOTarget

BurnRateWindow

SLOAlertPolicy

Como Funciona o Cálculo (Google SRE Model)

Error Budget

Burn Rate

Multi-Window Alerting: Thresholds Padrão

Exemplo Numérico Completo

Error Budget Tracking

IncidentSLA CRD

Campos do Spec

Raiz

ResponseTimeConfig

BusinessHoursSpec

Como o Clock de Business Hours Funciona

ViolationPolicySpec

CompliancePercentage Calculation

Exemplos YAML Completos

SLO de 99.9% Availability com Burn Rate Alerting

SLA P1=5min Response / 1h Resolution (Business Hours)

SLO com PrometheusQuery Custom (Latency P99)

Grafana Dashboards

Prometheus Metrics

Métricas de SLO

Métricas de SLA

Próximo Passo